基于时空矩阵分解的路网交通数据修复方法

摘要

针对城市路网交通数据缺失问题，综合考虑交通数据客观存在的时空特性，本文提出一种基于时空矩阵分解(spatial-temporal matrix factorization, STMF)的路网交通数据修复方法。首先依据路网时空属性，将多维交通数据处理为二维矩阵形式，将其分解为空间特征矩阵和时间特征矩阵，并通过低秩近似的方式重构不完整交通数据矩阵，实现缺失数据的基本修复。然后，利用图拉普拉斯(graph Laplacian, GL)和门控循环网络(gated recurrent network, GRN)分别作为空间和时间正则器，进一步挖掘路网交通数据的空间结构关联特性和时间依赖特性，有效提高路网交通数据的修复精度。最后，采用洛杉矶交通速度数据集(Metr-LA)和广州交通数据集(Guangzhou-D)对STMF模型的性能与GAIN、BGCP、BTMF、LRTC-TNN和HaLRTC等基准模型进行对比，实验结果表明，本文提出的基于时空矩阵分解STMF模型相比基准模型，能更好地适应不同的缺失场景和不同的缺失率，缺失数据修复性能具有更好的鲁棒性。

关键词

智能交通 / 数据修复 / 矩阵分解 / 交通数据 / 图拉普拉斯 / 门控循环网络